若是一个时间序列通过平稳性检验后获得是一个平稳非白噪声序列,那么该序列中就蕴含着相关性的信息。html
在统计学中,一般是创建一个线性模型来拟合该时间序列的趋势。其中,AR、MA、ARMA以及ARIMA都是较为常见的模型。spa
AR是线性时间序列分析模型中最简单的模型。经过自身前面部分的数据与后面部分的数据之间的相关关系(自相关)来创建回归方程,从而能够进行预测或者分析。下图中展现了一个时间若是能够表示成以下结构,那么就说明它服从p阶的自回归过程,表示为AR(p)。其中,ut表示白噪声,是时间序列中的数值的随机波动,可是这些波动会相互抵消,最终是0。theta表示自回归系数。htm
因此当只有一个时间记录点时,称为一阶自回归过程,即AR(1)。blog
经过将一段时间序列中白噪声序列进行加权和,能够获得移动平均方程。以下图所示为q阶移动平均过程,表示为MA(q)。theta表示移动回归系数。ut表示不一样时间点的白噪声。
get
自回归移动平均模型是与自回归和移动平均模型两部分组成。因此能够表示为ARMA(p, q)。p是自回归阶数,q是移动平均阶数。im
从式子中就能够看出,自回归模型结合了两个模型的特色,其中,AR能够解决当前数据与后期数据之间的关系,MA则能够解决随机变更也就是噪声的问题。统计
同前面的三种模型,ARIMA模型也是基于平稳的时间序列的或者差分化后是稳定的,另外前面的几种模型均可以看做ARIMA的某种特殊形式。表示为ARIMA(p, d, q)。p为自回归阶数,q为移动平均阶数,d为时间成为平稳时所作的差分次数,也就是Integrate单词的在这里的意思。数据
具体步骤以下:db